生产力研究杂志社 人工智能助推智慧交通升级换挡

人工智能助推智慧交通升级换挡

深度学习

以前的图像识别技术大都采用传统的算法，人脸识别主要采用基于几何特征的人脸正面图像识别方法和基于统计的人脸正面自动识别方法；车辆检测跟踪主要采用基于Adaboost和Svm的训练方法检测车辆，然后采用基于连通区域关联或者Mean Shift做车辆跟踪；车牌识别主要采用基于颜色和纹理等传统特征做车牌定位，采用基于垂直投影和连通区域方式做字符分割，基于人工神经网络的方式做字符识别。而这些传统的图像识别方法的效果受原始图像的角度倾斜、光照和遮挡的影响很大。

针对这些问题，我们可以使用深度学习的方法来解决。基于大数据的人工智能平台使用的深度卷积神经网络主要包含两层，其一为特征提取层，主要包括两层每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。使得特征映射具有位移不变性。本网络对于识别位移、缩放及其他形式扭曲的二位图形有很强的识别能力；而且由于同一特征映射面的神经元权值相同，所以人工智能平台可以大规模并行学习。

利用深度卷积神经网络，可在模型中方便的加入光照、遮挡、角度等多种先验信息，增强了模型的适应性和特征的表达能力，更好适应交通领域客户面对雨雪、阴天等恶劣环境的事件识别需求。

多重算法

通过集成丰富的算法库，使用神经网络层数高达10层以上的深度学习算法，如高效目标检测算法Jeda和高性能多任务信息提取模型JMT HybridNet等，可同时对多标签进行训练，大幅度提升训练效率；如多场景下字符识别算法JPR，采用字符分割滑动窗口识别方案，提升异常事件识别准确度和效率。同时还可以对目前广泛使用的开源算法进行优化，如在进行交通流量预测时，采用RNN模型，对视频中的目标进行跟踪检测时，可采用相关滤波算法，如MOSSE、CSK、CN、DSST等。

这些算法均已集成在人工智能平台中，交通行业用户可根据自身需求调取使用，无需编写相关算法，直接获取算法能力，极大降低使用门槛。

基于大数据的多层神经网络分布式训练平台，支持数据并行和模型并行，性能可随节点线性递增，极大提升模型训练的质量和效率。更有别于现有解决方案的，是该系统的自我优化能力，系统通过边生产边训练，持续自反馈和自优化，准确率随着使用样本的增加而不断提升，是人工智能技术优于传统技术的最明显的体现，这样可极大释放人工压力，提升交通管理部门运维水平。

中兴飞流凭借在交通行业丰富的经验，联合山西高速管理局重点围绕高速公路异常事件检测展开研究，以基于深度学习的智能视频分析方案解决交管用户难以快速定位事故现场、难以判断事故现场滞留车辆人员信息等难点问题。使用超过10层以上卷积的深度学习算法，不仅可以通过海量历史数据快速建立样板模型，而且准确率相较于传统大众厂商使用的模式识别和机器学习提高至95%以上。该系统在山西高速稳定运行了数月之久，提升事故告警效率和准确率，极大减轻了工作人员的压力。准确洞悉客户痛点，善用人工智能化解交通难题，实践案例提取获胜宝典，是中兴飞流联合山西高管局取得优秀奖的关键。

不仅如此，这一研究成果也已在山西省高速的数条隧道进行了成功的应用，这一成绩的取得，是山西省高管局结合高速公路隧道运营管理实际，中兴飞流以大数据及人工智能技术手段实现视频数据自动检测，大幅提高隧道安全运营的信息化管理水平的成功实践。这不只是视频大数据与机器视觉在智慧交通的成功落地，更重要的是新技术的采纳，解决了路网运营中的痛点需求，产生了实际的经济效益和社会效益。技术服务生产，生产推动技术。随着大数据和人工智能技术的应用和发展，智慧交通犹如装上了“大脑”，现代化和信息化的交通管理将更加智能、安全、有序。

除了在高速公路与山西高管局进行良好的合作之外，中兴飞流的大数据人工智能平台在高速铁路、跨江大桥等多重领域也均有业务的部署，包括列车异常事件识别、站台事件检测、车流预测等功能。借助中兴飞流的解决方案，交通管理部门可以大幅提升工作效率，极大解放人工压力。中兴飞流还将目标瞄准了城市路网，在路况更复杂、异常事件更频发的城市道路上引入跨部门协作和面向实战的基于智能视频分析的管理决策辅助系统，实现人、车、事件的全方位检测和更全面的决策支撑，将人工智能的红利引入交通行业的各个领域。

中国大数据行业权威媒体资讯平台

前沿 | 专业 | 深度